准确判别交通道路拥堵情况以及根据未来时刻的路况提供最优的行驶路径对缓解交通拥堵、提高市民出行效率、提升居民幸福指数均具有重要意义。随着智能交通系统（Intelligent Traffic System,ITS）的发展,交通流预测、车速预测、路况预测等问题逐渐成为研究热点。针对目前交通路况预测研究中存在的单因素无法准确表征交通路况、聚类算法不具备对未来路况的预测能力、所用机器学习算法模型参数寻优和测试时间过长等问题,本课题提出了一种基于多指标评价的未来交通路况预测方法,并根据车速的预测结果求解最优行驶路径。课题的主要工作如下:首先通过文献调研,简述了交通路况预测和行驶路径决策分析的目的、意义及研究现状,并总结了现有方法、算法存在的问题。选取平均车速、交通流密度和路段饱和度三个评价指标综合评价路况。使用遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）结合的混合启发式算法优化相关向量机（Relevance Vector Machine,RVM）以预测三个评价指标。并针对RVM参数寻优耗时过长的问题,对混合启发式算法基于Spark进行并行化设计,提出了SPGAPSO-RVM算法。最终利用模糊综合评价（Fuzzy Comprehensive Evaluation,FCE）得出未来时刻路况。其次,为了提高行驶路径决策分析的精度,研究了基于优秀系数和局部搜索优化的GA和PSO,并将二者结合再基于Spark进行并行化设计,提出了EC-SPPSOGA算法。利用SPGAPSO-RVM预测得到的未来时刻车速数据和EC-SPPSOGA求解未来时刻耗时最短的路径。通过实验说明了SPGAPSO-RVM算法在保证较高准确率的同时,大幅缩短了寻优速度;本文提出的交通路况预测方法具有较高预测精度、良好可扩展性和实际应用价值;EC-SPPSOGA算法相比单机版算法,具有更好的加速比和可扩展性;本文提出的行驶路径决策分析方法具有较高精度和良好可扩展性,且优于传统基于道路长度的行驶路径决策分析方法。最后,本文以课题的研究工作为基础,介绍了课题所依托项目构建的智能交通运输大数据平台。该平台可分为原始数据层、数据处理层和数据展示层,具有多源异构数据的整合能力和美观直观的可视化能力。